将 SAM 适配于任意尺寸的体积 X 射线数据集
计算机视觉与模式识别
2024-06-26 v1 机器学习
摘要
目的：我们提出了一种用于 X 射线计算机断层扫描（Computed Tomography, CT）数据中体积实例分割的新方法，用于无损检测（Non-Destructive Testing, NDT），通过将 Segment Anything Model（SAM）与基于切片的 Flood Filling Networks（FFN）相结合。我们的工作评估了 SAM 在体积 NDT 数据集上的性能，并证明了其在具有挑战性的成像场景中分割实例的有效性。方法：我们实现并评估了将基于图像的 SAM 算法扩展以用于体积数据集的技术，利用 FFN 的空间适应性实现三维对象的分割。SAM 的基于切片的方法利用了 FFN 分割任意尺寸对象的能力。我们还探索了使用密集提示来指导 SAM 组合已分割的切片，以提高分割精度。结果：我们的研究表明了将 SAM 与 FFN 结合用于体积实例分割任务的潜力，特别是在 NDT 场景以及分割大型实体和对象方面。结论：在承认仍存在局限性的同时，我们的研究提供了见解，并为 NDT 场景中实例分割的进展奠定了基础。
引用
@article{arxiv.2403.12066,
title = {Adapting SAM for Volumetric X-Ray Data-sets of Arbitrary Sizes},
author = {Roland Gruber and Steffen Rüger and Thomas Wittenberg},
journal= {arXiv preprint arXiv:2403.12066},
year = {2024}
}